KI im Workflow des Financial Analyst: Wo sie hilft, wo sie versagt

Jeder FP&A-Anbieter wirbt inzwischen mit "KI-gestützter Prognose". Das meiste davon ist eine Regression über drei Jahre saubere Daten, aufgehübscht in einer Chat-Oberfläche. Das Ergebnis wirkt selbstsicher, die Abweichung ist falsch, und Sie sind derjenige, der sie dem CFO um 7 Uhr morgens erklärt.

Ich habe miterlebt, wie Analysten daran scheitern. Nicht, weil sie faul waren. Die Demo war gut, und der Fehlermodus blieb bis zur Abschlusswoche unsichtbar. KI kann einem Financial Analyst tatsächlich helfen. Sie hilft nur nicht an den Stellen, auf die sich die Demos konzentrieren, und sie schadet aktiv an den Stellen, die die Anbieter am eifrigsten verkaufen wollen.

Dieser Beitrag richtet sich an den praktizierenden FA, der KI nutzen möchte, ohne zu der Person zu werden, die eine falsche Zahl ausgeliefert hat, weil "die KI es so gesagt hat". Wir behandeln, wo sie wirklich hilft, wo sie versagt, die namentlich genannten Anbieter und wofür sie jeweils taugen, die Falle, die Karrieren beendet, und einen 30-Tage-Plan, den Sie ab Montag umsetzen können.

Warum das jetzt wichtig ist

Adaptive Planning, Cube, Pigment und Workday Adaptive haben alle 2025 und bis 2026 KI-Funktionen ausgeliefert. Anaplan hat einen Assistenten hinzugefügt. Microsoft hat Copilot in Excel integriert. Ihr CFO hat dieselben Demos gesehen wie Sie, und irgendwann im nächsten Quartal wird er Sie fragen, was Sie mit KI im Abschlusszyklus machen.

Sie brauchen eine vertretbare Antwort. Kein Theater. Kein "Wir prüfen das gerade". Eine konkrete Liste dessen, was Sie automatisiert haben, was Sie sich weigern zu automatisieren, und warum. Die Analysten, die das gut handhaben, werden senior wirken. Diejenigen, die herumlavieren, werden junior wirken, selbst wenn sie schon fünf Jahre dabei sind.

Wo KI wirklich hilft

Das sind die Anwendungsfälle, bei denen ich gesehen habe, dass sich der Zeitaufwand regelmäßig auszahlt. Nicht jede Woche, nicht für jeden Analysten, aber zuverlässig genug, dass ich sie einem Freund empfehlen würde.

Erste Entwürfe für Abweichungskommentare. Das ist der offensichtliche Fall, und er ist immer noch der beste. Sie fügen die Daten ein ("Umsatz -8 % gegenüber Plan, Mix von Enterprise zu SMB verschoben, Neukunden-Bookings -12 %, ARR-Bindung unverändert bei 94 %") und bitten Claude oder ChatGPT, einen dreiteiligen Abweichungstext zu schreiben. Sie erhalten in 30 Sekunden einen Entwurf. Sie schreiben den ersten Satz um, weil er immer zu generisch ist. Sie behalten die Stichpunkte. Sie ergänzen die eine Erkenntnis, die die KI übersehen hat (es gibt immer eine, und das ist Ihr Mehrwert). Was eine 45-Minuten-Aufgabe war, wird zu einer 10-Minuten-Aufgabe. Multiplizieren Sie das mit jeder Kostenstelle, jedem Monat.

Ein Prompt, der funktioniert:

Sie sind ein FP&A-Analyst, der Abweichungskommentare für den CFO schreibt. Unten stehen die Daten. Schreiben Sie drei kurze Absätze: (1) die wichtigste Abweichung und ihr primärer Werttreiber, (2) sekundäre Werttreiber und Mix-Effekte, (3) worauf im nächsten Monat zu achten ist. Ton: nüchtern, faktisch, keine Adjektive. Maximal 180 Wörter.

Daten: [hier Ihre Abweichungstabelle einfügen]

Verfeinern Sie den Prompt im Lauf der Zeit. Speichern Sie die Version, die die saubersten ersten Entwürfe liefert. Der Prompt ist das Kapital, nicht das Ergebnis.

Szenario-Zusammenfassung. Sie haben ein Modell mit 12 Registerkarten. Der CEO hat acht Minuten vor dem nächsten Meeting. Sie geben der KI die wichtigsten Ergebnisse und bitten um drei Stichpunkte und einen Satz "Was würde meine Meinung ändern". Das ist keine Zauberei. Sie müssen immer noch wissen, welche Zahlen zählen. Aber von einem ausufernden Modell zu einer für Führungskräfte lesbaren Zusammenfassung zu kommen, war früher der schlimmste Teil von Modellübergaben. Jetzt nicht mehr.

Entwurf der Vorstandsnarrative. Erster Durchgang für das zweiseitige CFO-Memo zum Vorab-Lesematerial für den Vorstand. KI ist passabel beim strukturellen Gerüst: Einleitungszusammenfassung, Kennzahlen mit Vorjahresvergleich, drei operative Highlights, zwei Risiken, die Anfrage. Sie kürzen dann, schärfen und ergänzen die politische Nuance, die die KI nicht sehen kann. Spart etwa eine Stunde pro Zyklus. Lohnt sich.

Anomalieerkennung in den Actuals. Dieser Fall wird unterschätzt. Lassen Sie vor dem Abschluss ein Skript laufen (oder nutzen Sie die in Ihrer Plattform integrierte Version), das GL-Buchungen markiert, die nicht zum historischen Muster passen: eine Marketing-Rückstellung beim Vierfachen ihres 12-Monats-Durchschnitts, eine einmalige Buchung auf einem wiederkehrenden Konto, eine fehlende Buchung in einer üblicherweise aktiven Zeile. KI ist hierin wirklich gut, weil es Mustererkennung auf numerischen Daten ist, und das beherrschen die zugrunde liegenden Modelle gut. Sie fangen Fehler ab, bevor der CFO es tut, und genau darum geht es.

Modelldokumentation. Niemand dokumentiert seine Modelle. KI ist erstaunlich gut darin, Ihre Formeln zu lesen und die README zu schreiben. Richten Sie sie auf eine Registerkarte, bitten Sie sie, die Logik und den Input-Output-Fluss zu beschreiben, holen Sie sich einen Entwurf, bearbeiten Sie ihn auf Korrektheit und speichern Sie ihn neben dem Modell. Der nächste Analyst, der Ihre Arbeit erbt, wird es Ihnen danken, und "selbstdokumentierende Modelle" sind die Art von operativer Verbesserung, die in Leistungsbeurteilungen auffällt.

Mehr zum Abweichungsschritt im Speziellen finden Sie im Begleitbeitrag Abweichungsanalyse, die der CFO wirklich liest. Zur Vorstandsnarrative siehe Vorbereitung der Vorstandssitzung: Von Zahlen zur Narrative.

Wo KI versagt

Die schwierigere Liste, und die wichtigere. Das sind die Fehlermodi, die KI von einem Werkzeug zu einem Risiko machen.

Urteilsvermögen. "Sollten wir dieses Programm streichen?" ist kein Prompt. Es ist eine Synthese aus finanzieller Rendite, strategischer Passung, politischem Kapital, der Vorgeschichte des CEO mit dem Programmverantwortlichen und dem, was der Vorstand davon hält. Die KI kann das meiste davon nicht sehen und erfindet selbstbewusst die Teile, die sie nicht sehen kann. Behandeln Sie jedes KI-Ergebnis, das eine Ja/Nein-Entscheidung berührt, als Ausgangspunkt für Ihr eigenes Denken, niemals als die Antwort.

Szenario-Design. Auszuwählen, welche drei Szenarien zählen, ist die eigentliche Aufgabe von FP&A. Basis, Negativ, Positiv? Sicher, aber Negativ wovon: Abwanderung, Vertriebstempo, Bruttomarge, ein bestimmtes Klumpenrisiko bei einem Kunden? Die KI gibt Ihnen 15 generische Szenarien, die alle plausibel aussehen und von denen keines das ist, um das sich Ihr CEO tatsächlich sorgt. Szenario-Design entsteht aus der Teilnahme an Operating-Reviews, nicht aus einem Chat-Fenster. Wie Sie die richtigen drei tatsächlich auswählen, lesen Sie unter Szenariomodellierung ohne Überkonstruktion.

Entscheidungen zur Kapitalallokation. Das Modell kann IRRs ranken. Es kann Ihnen nicht sagen, dass der CEO emotional an Projekt B hängt, weil es vor zwei Jahren seine Idee war, und dass es Sie mehr politisches Kapital kostet, es einzustellen, als die NPV-Differenz wert ist. Kapitalallokation ist zur Hälfte Mathematik, zur Hälfte organisatorische Realität. KI erledigt die erste Hälfte. Sie erledigen die zweite.

Nuancen im Business Partnering. Ihr Vertriebs-VP will keinen Chatbot. Er will Sie im Raum, wenn die Forecast-Besprechung unangenehm wird. Er will, dass Sie der Berechnung des Provisionsbeschleunigers widersprechen, ohne ihn vor seinem Team dumm dastehen zu lassen. KI kann das nicht und sollte es nicht versuchen. Die FAs, die zum FP&A Manager befördert werden, sind diejenigen, die diese Beziehungen besitzen, nicht diejenigen, die sie automatisieren.

Die "Die KI hat das prognostiziert"-Falle

Hier ist der karrierebeendende Satz: "Die KI sagte, der Umsatz würde bei 14,2 Mio. $ landen."

Wenn eine Prognose um genug daneben liegt, dass es zählt, ist "die KI hat es so gesagt" keine Verteidigung. Es ist ein Eingeständnis, dass Sie Ihre Arbeit nicht gemacht haben. Die Aufgabe ist nicht, das Modell laufen zu lassen. Die Aufgabe ist, einen vertretbaren Standpunkt zur Zahl zu haben, gestützt durch das Modell und durch Ihr Verständnis des Geschäfts. Das Modell ist ein Input. Sie sind der Analyst.

KI-Ergebnisse sind Entwürfe, keine Entscheidungen. Ihr Name steht auf der Präsentation. Sie zeichnen die Zahl ab. Wenn die Prognose falsch ist, ist die Antwort auf "warum" Ihre Begründung: Ihre Annahmen, Ihre Stresstests, das, was Sie gesehen und nicht gesehen haben. "Die KI sagte" ist ein Eingeständnis, genauso wie "das Modell sagte" vor zehn Jahren ein Eingeständnis war, und genauso wie "die Tabelle sagte" zehn Jahre davor ein Eingeständnis war. Das Werkzeug ändert sich. Die Verantwortlichkeit nicht.

Das Bild, das ich bei jüngeren Analysten verwende: Stellen Sie sich vor, die KI sei ein cleverer Praktikant. Sie delegieren den ersten Entwurf. Sie lesen ihn sorgfältig. Sie fangen das ab, was er übersehen hat. Sie schreiben die Teile um, in denen er falschlag. Sie zeichnen die Arbeit ab, und es ist Ihre Arbeit. Wenn Ihr Abweichungskommentar zu 90 % aus KI-Ergebnissen besteht, die Sie überflogen haben, machen Sie Ihre Arbeit nicht. Sie sind der Lektor der KI, und Lektoren werden gefeuert, wenn der Autor halluziniert.

Ehrliche Einschätzungen zur Anbieter-KI

Konkret, namentlich, mit den tatsächlichen Schwächen. Kein Anbieter bezahlt mich, also ist das, was ich tatsächlich in Implementierungen gesehen habe.

Adaptive Planning KI-Zusammenfassungen. Passabel für Abweichungskommentare zu Standard-P&L-Zeilen. Schwach bei Werttreiber-Erklärungen zu allem Maßgeschneiderten (Bookings, ARR-Wasserfall, alles, wo die zugrunde liegende Berechnung kein gängiges GAAP-Konto ist). Die Zusammenfassungen lesen sich gut, was die Gefahr ist; sie lesen sich so gut, dass Analysten aufhören, die zugrunde liegende Logik zu prüfen. Nutzen Sie sie, aber lesen Sie jeden Satz.

Cube-Abfragen in natürlicher Sprache. Stark für Ad-hoc-Analysen ("zeig mir OPEX nach Abteilung, letzte 6 Monate, gegenüber Plan"). Schwach für wiederkehrende Berichte. Bis Sie den Prompt dreimal entfehlert haben, hätten Sie die gespeicherte Ansicht bauen können. Meine Regel: Wenn Sie es zweimal laufen lassen, bauen Sie den Bericht. Wenn Sie es einmal laufen lassen und nie wieder, fragen Sie Cube.

Pigment KI-Assistent. Der beste der drei für den Entwurf von Narrativen. Braucht trotzdem Bearbeitung, besonders beim Ton. Er fällt standardmäßig in ein leicht formelles, leicht britisches Register, das in US-Vorab-Lesematerial für den Vorstand falsch klingt. Das Upgrade des Sitzplatzes ist es wert, wenn Narrativ-Arbeit Ihr Engpass ist. Nicht wert, wenn Sie abweichungslastig sind.

Claude und ChatGPT außerhalb der Plattform. Am flexibelsten. Am aufwendigsten. Sie bringen die Daten mit (einfügen, formatieren, PII schwärzen) und erhalten das sauberste Ergebnis aller vier, weil es keine Plattformebene gibt, die vorab etwas zurechtmassiert. Mein persönlicher Stack: Claude für Abweichungstexte (besser im prägnanten, nüchternen Ton), ChatGPT für die Vorstandsnarrative (besser beim strukturellen Gerüst). Tauschen Sie sie, wenn Ihre Einschätzungen abweichen.

Microsoft Copilot in Excel. Verbessert sich schnell. Heute nützlich für Formelerklärung und einfache Diagrammvorschläge. Noch nicht nützlich für Abweichungskommentare zu echten Modellen. Das Kontextfenster hat mit allem über ein paar Registerkarten Mühe.

Für das umfassendere Stack-Bild siehe Tools und Tech-Stack des Financial Analyst.

Das Human-in-the-Loop-Muster

Das Muster, das jedes Mal funktioniert:

1. KI entwirft.
2. FA bearbeitet.
3. FA zeichnet ab.

Niemals umgekehrt. Niemals "FA entwirft, KI poliert"; das ist eine schlechte Nutzung von beiden. Niemals "KI entwirft, FA überfliegt"; so werden falsche Zahlen ausgeliefert.

Der konkrete Workflow für Abweichungskommentare, der häufigste Anwendungsfall:

1. Ziehen Sie die Abweichungsdaten in eine saubere Tabelle. Fünf Spalten: Position, Actual, Plan, Abweichung in Geldbeträgen, Abweichung in Prozent.
2. Fügen Sie sie in Claude oder ChatGPT mit einem präzisen Prompt ein (siehe das Beispiel oben).
3. Lesen Sie den Entwurf kritisch. Schreiben Sie den ersten Satz um. Der erste Satz der KI ist immer zu generisch.
4. Behalten Sie die aufgelisteten Werttreiber, wenn sie korrekt sind. Streichen Sie die, die Spekulation sind.
5. Ergänzen Sie die eine Erkenntnis, die die KI übersehen hat. Es gibt immer eine. Sie ist der Grund, warum Sie in der Rolle sind.
6. Lesen Sie es laut vor. Wenn es nach einem Chatbot klingt, schreiben Sie es um. Wenn es nach Ihnen klingt, liefern Sie es aus.

Schritt fünf ist der Mehrwert. Die KI gibt Ihnen 80 % der Wörter und 60 % der Erkenntnis. Die 40 %, die Sie beisteuern, sind der Grund, warum Sie einen Job haben. Schützen Sie sie.

Optional: die Linse des ACE-Frameworks

Wenn Sie eine strukturierte Art möchten, darüber nachzudenken, wo KI in Ihren Workflow passt, ordnen Sie Ihre Anwendungsfälle den fünf ACE-Fähigkeiten zu:

• Ingest: Daten aus Systemen ziehen (NetSuite, Salesforce, HRIS). KI hier marginal; die Konnektoren erledigen die Arbeit.
• Analyze: Abweichung, Anomalieerkennung, Kennzahlenanalyse. KI hilfreich, besonders beim Markieren von Anomalien.
• Predict: Prognose-Unterstützung, Was-wäre-wenn-Szenarien. KI nützlich für Zahlen im ersten Durchgang, gefährlich als endgültige Antwort.
• Generate: Abweichungskommentare, Vorstandsnarrative, Executive Summaries. KI hier am stärksten. Hier kommen die meisten Ihrer Zeitersparnisse her.
• Execute: Abschluss-Checklisten, Freigaben von Journalbuchungen, Planung wiederkehrender Berichte. KI mäßig hilfreich für die Orchestrierung, weniger für urteilslastige Schritte.

Wenn Sie feststellen, dass Sie KI hauptsächlich für Predict und Execute nutzen, treten Sie auf die Bremse. Das sind die fehleranfälligen Kategorien. Wenn Sie KI für Generate und Analyze nutzen, sind Sie wahrscheinlich auf dem richtigen Weg.

30-Tage-Einführungsplan

Eine Vier-Wochen-Checkliste. Setzen Sie sie wie geschrieben um.

Woche 1, Ausgangsbasis. Wählen Sie EINEN wiederkehrenden Bericht, den Sie jeden Monat machen. Messen Sie, wie lange er heute dauert, von Anfang bis Ende, einschließlich Datenabrufen und Formatierung. Schreiben Sie die Zahl auf. Das ist Ihr Vorher.

Woche 2, KI nur beim Entwurf. Fügen Sie KI dem Entwurfsschritt dieses einen Berichts hinzu. Kein Datenabruf, keine Analyse, nur der Text. Messen Sie erneut. Notieren Sie den Qualitätsunterschied: War der Entwurf besser, schlechter oder gleich wie Ihre handgeschriebene Version? Seien Sie ehrlich. Wenn er schlechter ist, ist Ihr Prompt nicht präzise genug; verfeinern Sie den Prompt, bevor Sie den Anwendungsfall aufgeben.

Woche 3, Zweiter Anwendungsfall. Fügen Sie Modelldokumentation hinzu. Das ist der einfachste zweite Erfolg, weil es heute niemand macht und die Messlatte "alles ist besser als nichts" lautet. Wählen Sie Ihr meistgenutztes Modell. Lassen Sie die KI die README entwerfen. Bearbeiten Sie sie. Speichern Sie sie neben dem Modell.

Woche 4, Memo an Ihre Führungskraft. Schreiben Sie ein einseitiges Memo mit dem Titel "Wie ich KI in meinem Workflow nutze". Defensiv, ehrlich, konkret. Listen Sie auf, was Sie automatisiert haben, was nicht, und warum. Nehmen Sie die Zeitersparnis aus Woche 2 auf. Nehmen Sie die Modelldokumentation aus Woche 3 auf. Nehmen Sie einen Absatz dazu auf, was Sie sich weigern zu automatisieren, und warum (Urteilsvermögen, Szenario-Design, Business Partnering). Dieses Memo ist ein Karrierekapital. Speichern Sie es. Aktualisieren Sie es vierteljährlich.

Wenn Ihre Führungskraft nicht um dieses Memo gebeten hat, schicken Sie es trotzdem. Senior-FAs dokumentieren ihr eigenes Denken. Junior-FAs warten, bis sie gefragt werden.

Fazit

KI ersetzt den Financial Analyst nicht. Sie ersetzt die schlimmste Stunde Ihres Tages: die Stunde vor dem leeren Blatt, wenn Sie auf eine Abweichungstabelle starren und herauszufinden versuchen, wie Sie mit dem Schreiben anfangen. Alles andere erfordert weiterhin Sie: das Urteilsvermögen, das Szenario-Design, die Entscheidungen zur Kapitalallokation, das Business Partnering, den Moment im Operating-Review, in dem Sie dem Vertriebs-VP widersprechen und er zuhört, weil er Ihnen vertraut.

Nutzen Sie KI für das leere Blatt. Zeichnen Sie die Arbeit selbst ab. Weigern Sie sich, die Teile zu delegieren, die zählen. Das ist das ganze Playbook.

Mehr erfahren

• Vorlage für die Stellenbeschreibung Financial Analyst
• Abweichungsanalyse, die der CFO wirklich liest
• Vorbereitung der Vorstandssitzung: Von Zahlen zur Narrative
• Szenariomodellierung ohne Überkonstruktion